高炉异常检测网络

稀疏图自适应时序

通过稀疏关系学习与自适应扩散卷积门控单元，从历史数据中构建可解释的变量关联，准确捕捉高炉炼铁过程的动态特性。

Kang, Li · 张同帅 · Wei, Dong · 叶昊

IEEE Transactions on Instrumentation and Measurement 2023

技术优势

图可解释

稀疏关系学习从历史数据中隐式建模变量间的非线性关系，得到的稀疏关联图能够以合理且可解释的方式描述复杂变量关系。

动态捕捉更准

在传统DCGRU中引入自注意力机制，使对动态建模有利的节点获得更多关注，高效捕捉高炉炼铁过程的动态特性。

应用场景

• 钢铁过程监控：为高炉炼铁过程提供准确的异常检测，及时发现异常工况，保障生产安全与稳定。
• 复杂系统异常检测：针对多变量非线性动态系统，提出可解释的图建模方法，用于复杂工业过程异常检测。
• 工业时间序列预测：通过自适应扩散卷积门控单元捕捉过程动态，为工业时间序列预测提供高质量模型。
• 图神经网络工业应用：结合稀疏图学习和注意力的图神经网络，适合在工业场景中从数据学习关系并建模动态。